基于内积矩阵及卷积自编码器的螺栓松动状态监测EI北大核心CSCD

螺栓连接结构中的螺栓松动容易导致结构失效,如何对结构中的螺栓松动状态进行监测是当前研究的一个热点。该文利用环境激励下结构振动响应的相关性分析,结合深度学习技术,研究了一种联合使用内积矩阵(inner product matrix,IPM)和卷积自编码器(convolutional autoencoder,CAE)的神经网络模型,即基于内积矩阵及卷积自编码器(inner product matrix and convolutional autoencoder,IPM-CAE)的深度学习模型。通过对螺栓连接搭接板的螺栓松动状态监测的试验研究,验证了该方法的可行性及有效性,并与使用IPM的卷积神经网络(convolutional neural network,CNN)、堆栈自动编码器(stack autoencoder,SAE)及胶囊网络(capsule network,CapsNet)相比,IPM-CAE方法具有较快的网络训练收敛速度和较高的识别精度。     

基于增强内积矩阵的PMI泡沫夹层结构损伤检测

聚甲基丙烯酰亚胺(polymethacrylimide, PMI)泡沫夹层复合材料结构因其独特的力学性能而广泛应用于航空航天领域,如何快速、准确、低成本地检测面板与芯材的脱粘损伤对结构安全使用具有重大意义,然而传统的基于超声波的无损检测技术由于PMI泡沫的吸声特性难以有效地检测到此类结构的脱粘损伤,该文探索基于振动响应测试的方法在PMI泡沫夹层结构损伤检测中的可行性及有效性。以振动时域响应相关性分析建立的结构损伤特征——内积矩阵(inner product matrix, IPM)为基础,通过将不同激励点下计算得到的IPM进行堆叠,提出了增强内积矩阵(enhanced inner product matrix, EIPM)的概念,并以EIPM为卷积神经网络(convolutional neural network, CNN)的输入、PMI泡沫夹层结构的损伤状态为输出,建立了基于EIPM及CNN的结构损伤检测方法。PMI泡沫夹层悬臂梁结构的脱粘损伤检测仿真算例及实验验证结果表明,所提方法在3个及以上测点时的平均识别准确率均在99%以上,且与基于IPM的方法相比,EIPM方法具有更好的收敛...     

基于相关函数矩阵及卷积神经网络的结构健康监测研究

环境激励下利用时域振动响应构建的内积矩阵是结构健康监测中一种较好的结构特征参数。为了提升结构健康监测方法的识别准确率,构建内积矩阵时往往需要较多的振动响应测点,这将直接影响方法的工程实用性。该文基于时域振动响应的相关性分析理论,将内积矩阵扩展到了相关函数矩阵,实现从少量的振动响应测点中获取更多的结构健康特征信息,以降低结构健康监测方法对测点数量的需求。进一步结合卷积神经网络优异的数据特征提取能力,以相关函数矩阵为输入、结构健康状态为输出,提出了基于相关函数矩阵及卷积神经网络的结构健康监测方法。典型航空加筋壁板螺栓松动监测的实验研究结果表明,仅采用结构上任意2个测点的时域振动响应,该文方法针对螺栓松动位置的识别准确率可达99%以上。